EdgeAI 建立了一個電腦視覺模型，必須將其部署到異質邊緣裝置叢集（Raspberry Pi 3、NVIDIA Jetson TX2 和 arm64 Linux 閘道）。他們希望最大化推論吞吐量並減少記憶體佔用。關於在此情境中使用 SageMaker Neo 編譯，哪項敘述最準確？

SageMaker Neo 的核心功能是為特定的硬體目標編譯模型。它會針對每個目標平台應用圖形優化和可選的量化，從而產生高度優化的成品，大幅提升推論吞吐量並減少記憶體佔用。因此，為每個異質邊緣裝置（Raspberry Pi 3、NVIDIA Jetson TX2 和 arm64 Linux 閘道）單獨編譯是正確的做法。Neo 不會生成單一的通用二進位檔，因為不同硬體架構需要不同的優化。Neo 支援多種邊緣裝置，不限於 AWS 內的 Inferentia 或 GPU 實例。同時，Neo 支援多種框架，包括 TensorFlow 和 PyTorch，並能為兩者帶來性能提升。